Mac mini不止養(yǎng)AI龍蝦！蘋果M4算力機(jī)密被曝光，Claude立新功

新智元報道

編輯：KingHZ

【新智元導(dǎo)讀】Claude立大功！開發(fā)者靠它剖析MIL語言與E5二進(jìn)制，繞過CoreML直達(dá)硬件，證明NPU訓(xùn)練從來不是硬件不行，而是蘋果不讓用。

AI界再迎地震，LLM訓(xùn)練未來或從此改變！

OpenClaw引起全球AI龍蝦熱潮，意外讓蘋果Mac mini賣爆——

美國百強(qiáng)連鎖店之一的microCenter，本來主打的個人消費(fèi)級PC，最近甚至宣稱「Mac mini和OpenClaw天生一對」！

還有好消息：MAC mini養(yǎng)完小龍蝦，不用吃灰了——

剛剛，蘋果神經(jīng)引擎（Apple Neural Engine，ANE）被破解，可能引爆AI訓(xùn)練革命！

工程師Manjeet Singh用Claude逆向工程Apple Neural Engine了，還訓(xùn)練了一個單層Transformer。

想象一下：不用GPU，不用TPU，就在M4芯片上完成的。

這并不意味著現(xiàn)在任何人都能構(gòu)建LLM。還沒到那一步。但現(xiàn)在你已經(jīng)可以在自己的MacBook上用一個小數(shù)據(jù)集做家庭實(shí)驗了。

無需CoreML，無需Metal，無需GPU。純粹利用高速運(yùn)行的ANE芯片。

如果屬實(shí)，這無疑意義重大——

而且Claude深度參與了破解全程，包括整個逆向工程、基準(zhǔn)測試以及訓(xùn)練代碼的開發(fā)——由人類的直覺引領(lǐng)探索方向，由AI進(jìn)行數(shù)據(jù)推理并撰寫分析報告。

Manjeet Singh直言一切都靠Claude，他只是引導(dǎo)方向：

我們認(rèn)為，這種人機(jī)協(xié)作是進(jìn)行系統(tǒng)研究的一種新穎且自然的方式：

一個伙伴扮演富有直覺的架構(gòu)師，另一個則充當(dāng)編寫代碼和設(shè)計實(shí)驗的工程師。

鏈接：http://github.com/maderix/ANE

Mac就能訓(xùn)單層Transformer！

Claude在這里扮演了關(guān)鍵角色。

通過Claude的智能分析，開發(fā)者鉤住了私有方法、剖析了MIL語言的秘密，并拆解了E5二進(jìn)制的迷霧，最終繞過CoreML框架，直接操控ANE硬件實(shí)現(xiàn)前向和反向傳播。

一個單層Transformer（dim=768, seq=512）僅需9.3毫秒一步，峰值效率高達(dá)6.6 TFLOPS/W——

這是A100的80倍，H100的50倍以上。

這一發(fā)現(xiàn)讓無數(shù)人的算力賬單顯得像個笑話。

更驚人的是，最新更新已實(shí)現(xiàn)完整Stories110M模型（109百萬參數(shù)，12層Llama-2架構(gòu)）在TinyStories數(shù)據(jù)集上的訓(xùn)練，損失實(shí)時下降，功耗低到「小于一瓦特」。

你的桌面Mac，從此不再是消費(fèi)工具，而是AI訓(xùn)練的超級電腦，成本暴降至電費(fèi)的零頭。

這將改變世界。

首次，任何擁有Mac的人都可以在本地、私密地以遠(yuǎn)低于云GPU的成本微調(diào)、訓(xùn)練或迭代大規(guī)模模型。

不再租用4萬美元的A100集群。不再排隊等待。不再留下巨大的碳足跡。

過去動輒數(shù)萬甚至數(shù)十萬美元的訓(xùn)練成本？如今暴跌至幾乎只需幾美分——基本就是你那臺閑置Mac本就在消耗的電費(fèi)。

AI革命剛剛從耗資數(shù)十億美元的數(shù)據(jù)中心轉(zhuǎn)移到了你的桌面。

我們才剛剛起步，但大門已經(jīng)敞開——今天是單層，明天就是完整模型。

超低成本的設(shè)備端訓(xùn)練時代已經(jīng)到來。

未來不是即將來臨，它已經(jīng)在你的Mac上運(yùn)行。不過，我們西岸看一下什么是ANE？

什么是蘋果神經(jīng)引擎ANE？

大多數(shù)新款iPhone和iPad都配備了神經(jīng)引擎，這是一種能極大加速機(jī)器學(xué)習(xí)模型的特殊處理器，但關(guān)于這款處理器實(shí)際工作原理的公開信息并不多。

蘋果神經(jīng)引擎（簡稱 ANE）是一種NPU，即神經(jīng)網(wǎng)絡(luò)處理單元。

NPU類似于GPU，但GPU加速圖形處理，而NPU則加速卷積、矩陣乘法等神經(jīng)網(wǎng)絡(luò)運(yùn)算，是一種定制化的固定功能加速器。

它接收的是已經(jīng)編譯好的神經(jīng)網(wǎng)絡(luò)計算圖，然后將整張圖作為一個原子操作一次性執(zhí)行完畢。

你無法像操作CPU或GPU那樣逐條發(fā)出乘加指令（multiply-accumulate）。你提交的是一份描述完整計算圖的編譯程序，而硬件會從頭到尾一次性跑完。

ANE并非唯一的NPU——

除了神經(jīng)引擎，最著名的NPU當(dāng)屬谷歌的TPU（張量處理單元）。

2017年，Apple在A11 芯片中首次引入Neural Engine，當(dāng)時是雙核心設(shè)計。

此后每一代都在擴(kuò)展規(guī)模。

此次研究的對象，是蘋果M4芯片的ANE（代號H16G）：

16核心，支持127條評估請求的隊列深度；

具備獨(dú)立的DVFS（動態(tài)電壓/頻率調(diào)節(jié)）；

并且擁有嚴(yán)格的電源門控機(jī)制，空閑時功耗精確降至0毫瓦。

推理芯片竟能用于訓(xùn)練，能效還很高！

ANE本身性能極其強(qiáng)大，但蘋果通過CoreM將它限制在「僅推理」用途。

真正的障礙，從來不是硬件能力，而是軟件支持。

以下是完整的ANE軟件堆棧的樣子，從公共的CoreML API到硬件：

關(guān)鍵洞察：CoreML不是唯一的入口。AppleNeuralEngine.framework中的_ANEClient類提供了對編譯→加載→評估流程的直接訪問。CoreML只是頂部的一個便利層。

而Manjeet Singh想證明在Apple Neural Engine（ANE）上進(jìn)行訓(xùn)練——以及在其他NPU上進(jìn)行訓(xùn)練——是可行的。

起因是他買了一臺Mac mini M4，想利用它的算力來完成他的編譯器項目。

這個項目通過逆向私有API，繞過了這一限制，展示了當(dāng)你真正釋放硬件能力時，它能做到什么。

這款NPU宣稱擁有38 TFLOPS的INT8算力（但它實(shí)際是FP16處理器，所以實(shí)際算力減半）。

最終，他搭建了一個定制化的訓(xùn)練流水線，成功訓(xùn)練了一個1.1億參數(shù)的微型GPT模型。

實(shí)際上，目前無法用單芯片訓(xùn)練更大的模型，但理論上，通過集群或許可以訓(xùn)練更大規(guī)模的模型。不過即使單臺設(shè)備，也應(yīng)該能對30億或70億參數(shù)的模型進(jìn)行LoRA微調(diào)。

再次強(qiáng)調(diào)，為什么要在NPU上訓(xùn)練？

因為能效極高。

ANE在峰值算力下功耗僅2.8W，19 TFLOPS能效比高達(dá)6.6 TFLOPS/瓦，堪稱瘋狂！

對比之下，Metal GPU只有為1 TFLOPS/瓦，H100為1.4 TFLOPS/瓦）

需要明確的是：

• 訓(xùn)練是可行的，但利用率很低（約峰值的 2-3%），并且還存在重大的工程挑戰(zhàn)。

• 許多逐元素運(yùn)算仍然會回退到 CPU 執(zhí)行。

• 目前，這除了用于小型研究模型外，還不能替代GPU訓(xùn)練。

測試結(jié)果令人驚訝

最后的發(fā)現(xiàn)令人驚訝：

雖然「38 TOPS」這個數(shù)字在技術(shù)層面沒有錯誤，但卻極具誤導(dǎo)性。

蘋果從未公開過關(guān)于如何榨取ANE最大吞吐量的優(yōu)化模式。

這里多解釋一下——

TOPS是Tera Operations Per Second的縮寫，1TOPS代表處理器每秒鐘可進(jìn)行一萬億次（10^12）操作。

它主要衡量理論最大吞吐量，而非實(shí)際吞吐量。由于大多數(shù)運(yùn)算都是乘加運(yùn)算（MAC），因此TOPS的計算公式為：（乘積累加運(yùn)算MAC單元數(shù)量）x（MAC操作頻率）x 2。

這是決定AI運(yùn)行速度的最重要的參數(shù)。

矩陣乘法擴(kuò)展：基礎(chǔ)測試

他們從最簡單的基準(zhǔn)測試開始：對遞增尺寸的方陣執(zhí)行乘法運(yùn)算。

測試結(jié)果揭示兩大關(guān)鍵現(xiàn)象：

1. 256×256矩陣受限于調(diào)度開銷：在0.101毫秒的運(yùn)行時間中，大部分（約0.095毫秒）消耗于XPC和IOKit框架的通信，真正的計算僅占約0.006毫秒。

2. 性能在4096尺寸時顯著下降：從2048尺寸時的5.7 TFLOPS降至4096尺寸時的4.0 TFLOPS，這表明存在資源溢出問題。

SRAM性能懸崖

2048到4096尺寸的性能驟降正是SRAM性能懸崖的體現(xiàn)。

一次矩陣乘法的計算集包含三個矩陣（A、B、C）。

以FP16精度計算：

• 當(dāng)尺寸為2048×2048時，24 MB的計算集完全適配芯片上的SRAM，因此能達(dá)到峰值單次運(yùn)算吞吐量（5.7 TFLOPS）。

• 當(dāng)尺寸增至4096×4096時，96 MB的計算集遠(yuǎn)超SRAM容量（約3倍），迫使數(shù)據(jù)頻繁交換至DRAM，導(dǎo)致吞吐量銳減30%。

這一性能在24MB（快速）和96MB（慢速）之間的劇烈變化，表明ANE的片上SRAM容量約為32 MB。

性能并非在達(dá)到界限時突然崩潰，而是逐漸下降，這暗示其采用了一種類似緩存的分層架構(gòu)，而非固定的便簽式存儲器。

卷積運(yùn)算優(yōu)于矩陣乘法

蘋果文檔中并未明確的一點(diǎn)是：ANE本質(zhì)上是一個為卷積設(shè)計的引擎。將相同的計算任務(wù)表達(dá)為1×1卷積，而非矩陣乘法，能獲得顯著提升的吞吐量。

一個矩陣乘法運(yùn)算 C[M,N] = A[M,K] @ B[K,N] 可以通過重塑數(shù)據(jù)，完美轉(zhuǎn)化為一個1×1卷積：

• 輸入重塑為：(1, K, 1, M)

• 權(quán)重重塑為：(N, K, 1, 1)

• 輸出重塑為：(1, N, 1, M)

運(yùn)算量和最終結(jié)果完全相同，但ANE的卷積數(shù)據(jù)通路能以高得多的效率處理這種形式。

深度圖網(wǎng)絡(luò)能填滿流水線

單個矩陣乘法操作僅能利用ANE約30%的峰值能力。

該硬件專為處理圖網(wǎng)絡(luò)而設(shè)計——即能夠持續(xù)讓全部16個核心保持忙碌狀態(tài)的運(yùn)算鏈條。

鏈接的運(yùn)算越多，就越接近理論上的峰值性能。

最大化ANE吞吐量的黃金法則：

1. 構(gòu)建深度圖，而非廣度圖：在一個MIL程序中鏈接16至64個運(yùn)算。孤立的單次運(yùn)算會浪費(fèi)70%的硬件能力。

2. 優(yōu)先使用卷積而非矩陣乘法：1×1卷積能利用快速數(shù)據(jù)通路，而矩陣乘法的速度要慢3倍。

3. 嚴(yán)格控制數(shù)據(jù)在32MB以內(nèi)：確保每個張量的內(nèi)存占用不超過SRAM容量。數(shù)據(jù)溢出到DRAM會嚴(yán)重?fù)p害吞吐量。

4. 避免受限于調(diào)度的微小運(yùn)算：任何執(zhí)行時間低于約1毫秒的操作，其主要耗時都來自于約0.095毫秒的調(diào)度開銷。

CoreML究竟損失了多少性能？

可以通過兩條路徑測量相同的運(yùn)算，來計算性能損失：

對于小型運(yùn)算，CoreML增加了2-4倍的開銷。

在高吞吐量配置下，由于ANE計算時間占主導(dǎo)，這一差距會縮小。但對于延遲敏感型的工作負(fù)載（如大語言模型的token解碼、實(shí)時推理），CoreML帶來的性能損失相當(dāng)嚴(yán)重。

INT8 = FP16：「38 TOPS」的現(xiàn)實(shí)含義

蘋果宣稱M4神經(jīng)引擎擁有「38 TOPS」的算力。以下是這一數(shù)字的真實(shí)含義。

在FP16和INT8兩種精度下，測量了完全相同的運(yùn)算：

最后發(fā)現(xiàn)：

INT8并未帶來預(yù)期的2倍速度提升。

INT8和FP16的吞吐量幾乎相同。ANE在執(zhí)行計算前，會將INT8權(quán)重反量化為FP16格式。

INT8僅節(jié)省了內(nèi)存帶寬（從DRAM內(nèi)存加載更小的權(quán)重），并未節(jié)省計算周期。

蘋果的「38 TOPS INT8」是這樣計算出來的：19 TFLOPS FP16 × 2。

這符合行業(yè)慣例，即將INT8操作數(shù)視為FP16的兩倍。但硬件實(shí)際上并不能以兩倍的速度執(zhí)行INT8運(yùn)算。

真正的峰值性能是19 TFLOPS FP16，無論你使用何種量化精度，所獲得的最高性能就是如此。

這恰好是根據(jù)硬件配置（16核心×約 1.2 TFLOPS/核心）計算出的理論峰值的100%。

在32層以上的深度網(wǎng)絡(luò)中達(dá)到94%的利用率，意味著幾乎測量了硬件的原始極限能力。

能效：ANE隱藏的王者

如果只看吞吐量，GPU穩(wěn)贏。

但ANE真正的優(yōu)勢在于其驚人的效率。

零功耗待機(jī)。ANE 采用了硬性電源門控技術(shù)——它不僅關(guān)閉時鐘，而是在閑置時完全切斷電源。這消除了任何泄漏電流和待機(jī)電量消耗。

在峰值負(fù)載下，它能實(shí)現(xiàn) 6.6 TFLOPS/瓦的能效，遙遙領(lǐng)先GPU：

這意味著，ANE在執(zhí)行每個浮點(diǎn)運(yùn)算時的能效，能效大約是A100的80倍。當(dāng)然，A100擁有50倍于ANE的總吞吐量。但對于依賴電池供電的設(shè)備端推理而言，ANE性能非凡。

ANE與SME：何時選擇使用哪種

M4的CPU核心還配備了蘋果的SME（可擴(kuò)展矩陣擴(kuò)展）功能。

以下是兩者的對比：

• 適合使用ANE的場景：大批量推理、包含16層以上的深度圖網(wǎng)絡(luò)、對能耗有嚴(yán)格限制的場景、需要持續(xù)高吞吐量的任務(wù)。

• 適合使用SME的場景：單token解碼（零調(diào)度開銷）、ANE不支持的自定義運(yùn)算、小矩陣運(yùn)算、任何需要FP32+精度的計算。

在M4上進(jìn)行理想的大語言模型推理策略是混合模式：預(yù)填充階段（大批量、高吞吐量）使用ANE，解碼階段（單token、對延遲敏感）使用SME。

這次挖掘了ANE的真實(shí)能力：在2.8W功耗下，配合正確的網(wǎng)絡(luò)結(jié)構(gòu)，可實(shí)現(xiàn)19 TFLOPS FP16的性能。

而接下來，Manjeet Singh還將詳細(xì)演示蘋果明確不支持的功能：在神經(jīng)引擎上訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

參考資料：

https://www.reddit.com/r/LocalLLaMA/comments/1rhx5pc/reverse_engineered_apple_neural_engineane_to/

https://x.com/ronaldmannak/status/2028560995875168292

https://maderix.substack.com/p/inside-the-m4-apple-neural-engine

https://maderix.substack.com/p/inside-the-m4-apple-neural-engine-615